核心知识点
一、检测空值: isnull() notnull()
df.isnull() 与 df.notnull() :用于检测dataframe 或者 series
二、删除空值: dropna()
格式：df.dropna(DataFrame, axis='',how='', inplace='')
| 参数 | 说明 |
|---|---|
| DataFrame | 待处理的df |
| axis | 删除行还是删除列，传入0或者'index' 代表行，传入1或者'columns' 代表列 |
| how | 'any' 表示任何值为空都删除，'all' 表示所有值为空才删除 |
| inplace |
True 表示修改当前df; false 表示返回修改后的df, 默认为false |
举例可以参考下面的实例；
三、填充空值: fillna()
格式：df.fillna(value='', method='', axis='',inplace='')
| 参数 | 说明 |
|---|---|
| value | 用于填充的值，可以是单个值或者字典（key是列名，value是用于填充的值） |
| method | 'ffill'：即forword fill ，使用前一个不为空的值进行填充 <br>'bfill'：即backfill, 使用后一个不为空的值进行填充 |
| axis | 删除行还是删除列，传入0或者'index' 代表行，传入1或者'columns' 代表列 |
| inplace |
True 表示修改当前df; false 表示返回修改后的df, 默认为false |
举例可以参考下面的实例；
实例
现实中，经常有一些非常漂亮的Excel, 例如下面的例子中的Excel。 这种Excel虽然好看，但是却不满足数据处理的要求，数据处理时，需要的是一个标准的表格，不包含合并单元格等这些格式； 这就需要我们对数据进行处理，这里举一个例子，供大家参考：
结果对比
处理前： 好看但不好用！
处理后：不好看，但好用！
一、读入数据
data_path=r"E:\VSCODE\2_numpy_pandas\pandas\data.xlsx"
df=pd.read_excel(data_path)
print(df)
二、去掉无用的行
可以看到，读出的数据并非是我们想要的，我们需要的数据只有蓝色区域内，这时我们需要对读入的数据进行处理；首先我们需要把无用的行去掉，这里可以使用pd.read_excel 函数中的参数来修改，详细的内容可以参考：【Pandas总结】第二节 Pandas 的数据读取_pd.read_csv()的使用详解 ， 将代码修改为：
df=pd.read_excel(data_path,skiprows=2)
这样处理后，打印的结果为：
三、 去掉全部为空值的列
使用drop.na 来处理全部为空值的列；
df.dropna(axis="columns",how="all",inplace=True)
print(df)
可以看到，全部为空值的列没有了；
四、 去掉全部为空值的行
与去除列的方式一样，只要将axis的参数改为rows, 即可删除全部为空值的列；代码如下：
df.dropna(axis="rows",how="all",inplace=True)
print(df)
五、将成绩为NaN的单元格，填充为0
使用fillna() 来处理全部为空值的列；
df = df.fillna({"成绩":0})
print(df)
六、将缺失的姓名填充
df = df.fillna(method='ffill')
print(df)
七、保存到excel中
data_path_new = r"E:\VSCODE\2_numpy_pandas\pandas\data_new.xlsx"
df.to_excel(data_path_new)